Введение. 
Событийный анализ. 
Выбор предсказательной модели

В традиционных, классических моделях экономического человека, который используется для экономического и финансового моделирования, не отводится значительного места нерациональному, эмоциональному поведению. Агент в таких моделях является рациональным, максимизирующим собственную полезность и эгоистичным. Если отталкиваться от такой модели инвестора, то динамика стоимости компании, а, следовательно, и доходность ценных бумаг должны формироваться сугубо под действием фундаментальных показателей финансового состояния компании. С данной теорией согласуется гипотеза эффективного рынка (ГЭР), в рамках которой инвестор не может стабильно получать доходность выше нормального для рынка уровня. Однако, в противовес модели экономического человека и ГЭР возникли поведенческие теории в экономике и финансах, в рамках которых поведение агента не всегда является рациональным. Наиболее признанными авторами в поведенческой теории экономики и финансов являются Канеман Д. и Тверски А., в работах которых были сформулированы различные типы отклонений от рационального поведения, которые могут приводить к аномалиям на рынках финансов. В последствии было проведено множество попыток обнаружения эмпирических подтверждений подверженности инвесторов эмоциям.

Вместе с тем, следует отметить, что существуют проблемы с измерением факторов, которые могут послужить прокси для отражения настроений и эмоций участников финансового рынка. В первую очередь, большинство факторов основаны на опросах, однако, создать высокочастотный опрос с репрезентативной выборкой затруднительно и дорого, к тому же несмещенность результатов таких опросов — отдельный вопрос, по которому необходимо проводить исследования. Предпочтительно, чтобы существовал фактор, который отражает эмоции и настроения участников рынка не через третьих лиц, а в добровольном и самостоятельном режиме — в таком случае результаты будут более надежными и менее вероятно будут смещенными.

Благодаря технологическому прогрессу, в особенности в мобильных и интернет технологиях, социальные сети различного типа получили обширное распространение и стали важной и, главное, нормальной частью рутинной жизни людей. Именно в связи с рутинностью использования социальных сетей пользователи этих сервисов активно используют социальные сети не только для общения с другими людьми, но также для потребления и создания новой, важной информации. В особенности данный тезис применим к блог-сервисам, а конкретно к микроблогинг-социальной сети Twitter. Данная сеть отличается от других (например, Facebook) тем, что основной фокус направлен не на частную переписку между пользователями, а на публикацию частных мнений о событиях, товарах, услугах, контенте и т. д., а также на взаимный обмен такими мнениями путем ретвитов и цитаций других пользователей. Благодаря тому, что все публикации свободно доступны публике (если автор не скрыл свои публикации), а также то, что твиты (публикации в сети Твиттер) хранятся долгое время на серверах и доступны для скачивания, возможно построение алгоритмов анализа настроений в режиме реального времени. В контексте поведенческих финансов это уникальная и важная отличительная черта социальных сетей — возможность анализа в «прямом эфире». В связи с этим, Твиттер представляет особый интерес для исследователей общественных настроений, мнений и эмоций. В данном контексте, данные Твиттера активно используются в маркетинговых, рекламных и пропагандистских целях различными компаниями, политиками, знаменитостями, звездами и т. д. Эмоциональный анализ публикаций в Твиттере и других социальных сетях уже несколько лет успешно применяется, например, для прогнозирования результатов политических выборов (Wang, Kazemzadeh, 2012).

В сфере финансов анализ настроений и мнений Твиттера довольно активно применяется в моделях хэдж-фондов. Показателем растущего интереса к такому роду данных может служить подписание соглашений между Twitter с одной стороны и Bloomberg и Thomson Reuters с другой. В рамках данного соглашения эти компании получают более полный доступ к базам данных Твиттера для составления собственных, проприетарных индексов настроений в сети. Следует отметить, что под «настроением» и «эмоцией» в данном исследовании будет пониматься эмоциональный окрас мнения, выраженного и опубликованного в социальной сети Твиттер. Например, публикация «iPhone 7 is the worst iPhone ever, Apple is doomed» будет восприниматься как твит, содержащий негативное настроение о компании Apple, а твит «Vitaly bot is awesome, Telegram rules!!!» — позитивным о мессенджере Телеграм.

В рамках данной работы ставится следующая исследовательская цель: проверить, улучшается ли точность предсказательной модели при включении в модель индекса настроений в социальной сети Твиттер в качестве прокси-переменной для настроений участников финансовых рынков.

Для достижения поставленной цели были сформулированы следующие задачи:

• · Изучить имеющуюся научную литературу на схожую тематику
• · Составить выборку компаний, для которых будут строиться модели; собрать необходимые данные для каждой компании
• · Составить различные модификации индексов настроений в сети Твиттер
• · Провести событийный анализ на основе событий, составленных вокруг экстремальных значений количества публикаций твитов
• · Выбрать лучшую спецификацию для построения предсказательной модели
• · Провести анализ влияния полученного индекса на точность предсказания
• · Сформулировать выводы на основе полученных результатов

Объектом исследования в настоящей работе является динамика курсовой стоимости акций компаний.

Предметом исследования является влияние настроений в социальной сети Твиттер на динамику курсовой стоимости акций компаний.

Академическая новизна данной исследовательской работы выражена в трех основных аспектах:

• · Оценка влияния настроений в Твиттере на динамику акций как индивидуальных компаний, так и групп компаний, объединенных по индустриальной принадлежности
• · Использование методов машинного обучения для предсказания направления динамики акций, а также в использовании методов машинного обучения для выбора оптимальных спецификаций предсказательных моделей (что так же может указать на существование влияния настроений в Твиттере на динамику акций)
• · Использование больших массивов данных, чем в работах на схожие темы

С практической точки зрения данная исследовательская работа может служить своего рода ориентиром для того, следует ли использовать индекс настроений в Твиттере при принятии инвестиционных решений. Более того, если результаты построения моделей окажутся успешными и будут обеспечивать высокую точность предсказаний на других, независимых выборках, то обозначенные модели можно использовать для создания торговых и инвестиционных стратегий.

событийный анализ предсказательная модель.